小红书AI Coding 专家
任职要求
必备技能 基础扎实：5年以上前端开发经验，Node.js 技术栈深度实践，有做过node/rust基础架构理解云原生架构（了解高可用高并发编程同学优先） AI Coding经验：有AI辅助编程工具开发经验，深度理解代码生成、智能补全等场景 AI框架本质理解：精通使用LangGraph、LangChain、GraphRAG、cline、bolit.new 等AI应用技术，除了熟练使用更看透本质 提示词工程：深度理解AI对话模式，具备优秀的Prompt设计与优化能力 模型训练经验：有大模型微调、后训练的实际项目经验，了解企业知识库构建流程 加分条件 d2c和r2c精度：熟悉视觉-代码、设计-代码的AI转换技术，在d2c和r2c精度提升上有自己洞见 代码理解能力：对AST解析、代码静态分析、语义理解有深入认知 产品化经验：主导过…
工作职责
核心业务 AI Coding 工具建设：参与IDE智能辅助插件能力丰富，从研发全流程识别智能体还可以提升效率点并集成，提升开发者编码体验与效率。 创意应用AI SaaS平台：优化AI驱动应用制作平台能力，降低创意实现门槛 D2C/R2C精度优化：参与Design to Code、Requirement to Code的AI转换精度提升，实现高质量代码生成 技术架构设计：参与定义 AI 友好相关技术栈架构与标准规范。 技术突破 模型优化与训练：基于企业私有生产资料，设计并执行大模型后训练策略 提示词工程：构建领域专属的Prompt Engineering体系，优化AI与human in the loop 交互模式 AI框架集成：深度理解LangGraph、LangChain、GraphRAG 等先进框架，构建复杂AI应用 性能优化：持续优化AI Coding工具在对话体验、任务执行精度、成本控制上的深度实践
1.深入研究 AI Coding 场景下的上下文工程，设计并优化代码补全、对话式编程、代码审查等场景中的上下文构建策略，在提升模型输出质量的同时有效控制推理成本 2.设计和搭建面向产品效果与推理成本的评测框架与基准体系，涵盖白盒测试与多维度指标覆盖（代码补全准确率、上下文召回质量、Agent 任务完成率等），推动评测自动化与持续集成式质量监控 3.基于海量用户使用数据（补全接受率、编辑行为、会话模式等），进行深度分析与洞察挖掘，量化上下文策略对产品效果和成本的影响，驱动迭代方向 4.设计并执行 A/B 实验方案，评估上下文策略与功能迭代的实际收益，提供数据驱动的优化建议
1. 需求理解 Agent：读懂业务需求文档、会议纪要、原型稿与聊天上下文，还原真实意图、识别歧义、主动澄清，将模糊描述转化为结构化、可执行的技术任务。 2. 代码研发 Agent：理解现有代码库与技术栈，自主规划实现路径，完成编码、自我修复、代码走查与 MR 组织，产出符合团队规范的可合入代码。 3. 自动化测试 Agent：基于需求与代码变更自动生成测试用例，覆盖单元、接口、端到端场景，执行测试、定位失败根因、驱动缺陷修复与回归验证，直到质量达标才放行。 4. 系统运维 Agent：自主完成发布、灰度、监控、告警响应、故障定位与自愈、容量与成本调优，让"上线之后"真正无人化。 5. AI 研发平台：为四大 Agent 提供统一底座——任务生命周期、代码与环境沙箱、工具调用体系、上下文工程、多 Agent 协作、人机交接、组织级研发经验沉淀与复用。
1、AI 编码工具技术专家：作为 AI 编码工具方向的Tech Lead主导面向研发人员的 AI 编码辅助工具的整体技术规划与架构演进，统筹智能补全、代码理解、对话式编程、Agent / 多 Agent 协同等核心能力的工程落地，将大模型能力深度融入开发者全流程工作流； 2、CLI 工具链从 0 到 1 打造：主导 CLI 形态 AI 编码工具的设计与实现，深入理解 Claude Code、Codex 等业界领先工具的核心实现机制（如 Agent Loop、上下文管理、工具调用编排、权限模型、Hook / Skill 扩展体系等），并结合内部场景打造高可用、可扩展的 CLI 工具，构建多入口、一致性的开发者体验； 3、IDE 插件与平台架构：统筹 VS Code Extension、IntelliJ Platform 等多端插件的架构设计与技术选型；主导与后端 API、LLM Gateway、研发效能平台的集成，兼顾多端兼容、性能优化与稳定性保障； 4、技术前瞻与团队建设：持续跟踪 Copilot、Cursor、Claude Code、Codex 等主流 AI 编码工具的技术演进，拆解其核心原理并形成内部技术方案与最佳实践；主导关键技术攻坚，指导团队成员成长，推动团队在 AI 原生开发工具方向的体系化建设。
1、构建AI Native研发工具链，设计并实现基于LLM的下一代研发工具，覆盖需求理解、代码生成、测试验证、发布部署全链路；探索AI自主交付模式，让AI从"辅助工具"升级为"独立交付者"； 2、攻坚LLM工程化核心难题，解决大模型在实际研发场景的落地瓶颈：上下文理解、长程推理、多步骤任务规划；主导智能代码生成、智能测试、智能运维等核心模块架构设计； 3、驱动技术范式革新，深入理解小红书多元业务场景（社区/电商/多媒体/搜推广），用AI重新定义研发流程；探索Multi-Agent协作、AI自我进化等前沿方向； 4、共创开发者生态，参与Skill生态建设，让业务团队能快速构建专属AI能力；推动AI研发最佳实践在全公司落地。